cv::ml::SVMSGD 类引用

随机梯度下降 SVM 分类器。 更多...

#include <opencv2/ml.hpp>

cv::ml::SVMSGD 的协作图

公开类型
enum	MarginType {   SOFT_MARGIN ,   HARD_MARGIN }
enum	SvmsgdType {   SGD ,   ASGD }
从 cv::ml::StatModel 继承的公共类型
enum	标志 {   UPDATE_MODEL = 1 ,   RAW_OUTPUT =1 ,   COMPRESSED_INPUT =2 ,   PREPROCESSED_INPUT =4 }

公开成员函数
virtual float	getInitialStepSize () const =0
	SVMSGD 优化问题的初始步长参数。
virtual float	getMarginRegularization () const =0
	SVMSGD 优化问题的边距正则化参数。
virtual int	getMarginType () const =0
	边距类型，是 SVMSGD::MarginType 之一。
virtual float	getShift ()=0
virtual float	getStepDecreasingPower () const =0
	SVMSGD 优化问题的步长递减幂参数。
virtual int	getSvmsgdType () const =0
	算法类型，是 SVMSGD::SvmsgdType 之一。
virtual TermCriteria	getTermCriteria () const =0
	训练算法的终止条件。您可以指定最大迭代次数 (maxCount) 和/或在迭代之间误差的变化量以使算法继续（epsilon）。
virtual Mat	getWeights ()=0
virtual void	setInitialStepSize (float InitialStepSize)=0
	SVMSGD 优化问题的初始步长参数。
virtual void	setMarginRegularization (float marginRegularization)=0
	SVMSGD 优化问题的边距正则化参数。
virtual void	setMarginType (int marginType)=0
	边距类型，是 SVMSGD::MarginType 之一。
virtual void	setOptimalParameters (int svmsgdType=SVMSGD::ASGD, int marginType=SVMSGD::SOFT_MARGIN)=0
	该函数为选定的 SVM SGD 模型设置最优参数值。
virtual void	setStepDecreasingPower (float stepDecreasingPower)=0
	SVMSGD 优化问题的步长递减幂参数。
virtual void	setSvmsgdType (int svmsgdType)=0
	算法类型，是 SVMSGD::SvmsgdType 之一。
virtual void	setTermCriteria (const cv::TermCriteria &val)=0
	训练算法的终止条件。您可以指定最大迭代次数 (maxCount) 和/或在迭代之间误差的变化量以使算法继续（epsilon）。
从 cv::ml::StatModel 继承的公共成员函数
virtual float	calcError (const Ptr< TrainData > &data, bool test, OutputArray resp) const
	计算训练集或测试集上的误差。
virtual bool	empty () const CV_OVERRIDE
	如果 Algorithm 为空（例如，在最开始或读取不成功后），则返回 true。
virtual int	getVarCount () const =0
	返回训练样本中的变量数量。
virtual bool	isClassifier () const =0
	如果模型是分类器，则返回 true。
virtual bool	isTrained () const =0
	如果模型已训练，则返回 true。
virtual float	predict (InputArray samples, OutputArray results=noArray(), int flags=0) const =0
	预测所提供样本的响应
virtual bool	train (const Ptr< TrainData > &trainData, int flags=0)
	训练统计模型。
virtual bool	train (InputArray samples, int layout, InputArray responses)
	训练统计模型。
从 cv::Algorithm 继承的公共成员函数
	Algorithm ()
virtual	~Algorithm ()
virtual void	clear ()
	清除算法状态。
virtual String	getDefaultName () const
virtual void	read (const FileNode &fn)
	从文件存储中读取算法参数。
virtual void	save (const String &filename) const
void	write (const Ptr< FileStorage > &fs, const String &name=String()) const
virtual void	write (FileStorage &fs) const
	将算法参数存储在文件存储中。
void	write (FileStorage &fs, const String &name) const

静态公开成员函数
static Ptr< SVMSGD >	create ()
	创建空模型。使用 StatModel::train 来训练模型。由于 SVMSGD 有多个参数，您可能需要为您的项目找到最佳参数，或者使用 setOptimalParameters() 来设置一些默认参数。
static Ptr< SVMSGD >	load (const String &filepath, const String &nodeName=String())
	从文件加载并创建一个序列化的 SVMSGD。
从 cv::ml::StatModel 继承的静态公共成员函数
template<typename _Tp >
static Ptr< _Tp >	train (const Ptr< TrainData > &data, int flags=0)
	创建并训练具有默认参数的模型。
从 cv::Algorithm 继承的静态公共成员函数
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	从文件中加载算法。
template<typename _Tp >
static Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	从字符串中加载算法。
template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	从文件节点中读取算法。

更多继承的成员
从 cv::Algorithm 继承的保护成员函数
void	writeFormat (FileStorage &fs) const

详细说明

随机梯度下降 SVM 分类器。

SVMSGD 提供了一个快速易用的 SVM 分类器实现，采用了随机梯度下降方法，如 [37] 所述。

该分类器具有以下参数

• 模型类型，
• 边距类型，
• 边距正则化（ \(\lambda\)），
• 初始步长（ \(\gamma_0\)），
• 步长递减幂（ \(c\)），
• 以及终止条件。

模型类型可以具有以下值之一： SGD 和 ASGD。

• SGD 是 SVMSGD 分类器的经典版本：每一步的计算公式如下

  \[w_{t+1} = w_t - \gamma(t) \frac{dQ_i}{dw} |_{w = w_t}\]

  其中
  • \(w_t\) 是第 \(t\) 步决策函数的权重向量，
  • \(\gamma(t)\) 是模型参数在迭代 \(t\) 时的步长，它通过公式 \(\gamma(t) = \gamma_0 (1 + \lambda \gamma_0 t) ^ {-c}\) 逐渐减小。
  • \(Q_i\) 是第 \(i\) 个样本的 SVM 任务的目标函数，该样本在算法的每一步被随机选择。
• ASGD 是平均随机梯度下降 SVM 分类器。ASGD 分类器通过公式 \(\widehat{w}_{t+1} = \frac{t}{1+t}\widehat{w}_{t} + \frac{1}{1+t}w_{t+1}\) 对算法每一步的权重向量进行平均。

推荐的模型类型为 ASGD（遵循 [37]）。

边距类型可以具有以下值之一： SOFT_MARGIN 或 HARD_MARGIN。

• 如果您的数据集是线性可分的，则应使用 HARD_MARGIN 类型。
• 如果您的数据集是非线性可分的或包含异常值，则应使用 SOFT_MARGIN 类型。
• 在一般情况下（如果您对数据集的线性可分性一无所知），请使用 SOFT_MARGIN。

其他参数可以描述如下

• 边距正则化参数负责每一步的权重衰减以及对异常值的限制强度（参数越小，异常值被忽略的可能性越小）。SGD 模型推荐值为 0.0001，ASGD 模型推荐值为 0.00001。
• 初始步长参数是步长 \(\gamma(t)\) 的初始值。您需要为您的项目找到最佳初始步长。
• 步长递减幂是 \(\gamma(t)\) 按上述公式递减的幂参数。SGD 模型推荐值为 1，ASGD 模型推荐值为 0.75。
• 终止条件可以是 TermCriteria::COUNT、TermCriteria::EPS 或 TermCriteria::COUNT + TermCriteria::EPS。您需要为您的项目找到最佳的终止条件。

请注意，边距正则化、初始步长和步长递减幂参数应为正值。

要使用 SVMSGD 算法，请按以下步骤操作

• 首先，创建 SVMSGD 对象。算法将默认设置最优参数，但您可以通过函数 setSvmsgdType()、setMarginType()、setMarginRegularization()、setInitialStepSize() 和 setStepDecreasingPower() 设置您自己的参数。
• 然后，可以使用训练特征和相应的标签通过 train() 方法训练 SVM 模型。
• 之后，可以使用 predict() 方法来预测新特征向量的标签。

// 创建空对象
cv::Ptr<SVMSGD> svmsgd = SVMSGD::create();
 
// 训练随机梯度下降 SVM
svmsgd->train(trainData);
 
// 预测新样本的标签
svmsgd->predict(samples, responses);

成员枚举文档

MarginType

enum cv::ml::SVMSGD::MarginType

边距类型。

枚举值 (Enumerator)
SOFT_MARGIN	一般情况，适用于非线性可分数据集，允许异常值。
HARD_MARGIN	对于线性可分数据集更准确。

SvmsgdType

enum cv::ml::SVMSGD::SvmsgdType

SVMSGD 类型。ASGD 通常是更优的选择。

枚举值 (Enumerator)
SGD	随机梯度下降。
ASGD	平均随机梯度下降。

成员函数说明

create()

static Ptr< SVMSGD > cv::ml::SVMSGD::create ( )

static (静态)

Python
	cv.ml.SVMSGD.create(		) ->	retval
	cv.ml.SVMSGD_create(		) ->	retval

创建空模型。使用 StatModel::train 来训练模型。由于 SVMSGD 有多个参数，您可能需要为您的项目找到最佳参数，或者使用 setOptimalParameters() 来设置一些默认参数。

getInitialStepSize()

virtual float cv::ml::SVMSGD::getInitialStepSize ( ) const

纯虚函数

Python
	cv.ml.SVMSGD.getInitialStepSize(		) ->	retval

SVMSGD 优化问题的初始步长参数。

另请参阅

setInitialStepSize

getMarginRegularization()

virtual float cv::ml::SVMSGD::getMarginRegularization ( ) const

纯虚函数

Python
	cv.ml.SVMSGD.getMarginRegularization(		) ->	retval

SVMSGD 优化问题的边距正则化参数。

另请参阅

setMarginRegularization

getMarginType()

virtual int cv::ml::SVMSGD::getMarginType ( ) const

纯虚函数

Python
	cv.ml.SVMSGD.getMarginType(		) ->	retval

边距类型，是 SVMSGD::MarginType 之一。

另请参阅

setMarginType

getShift()

virtual float cv::ml::SVMSGD::getShift ( )

纯虚函数

Python
	cv.ml.SVMSGD.getShift(		) ->	retval

返回

训练模型（决策函数 f(x) = weights * x + shift）的偏移量。

getStepDecreasingPower()

virtual float cv::ml::SVMSGD::getStepDecreasingPower ( ) const

纯虚函数

Python
	cv.ml.SVMSGD.getStepDecreasingPower(		) ->	retval

SVMSGD 优化问题的步长递减幂参数。

另请参阅

setStepDecreasingPower

getSvmsgdType()

virtual int cv::ml::SVMSGD::getSvmsgdType ( ) const

纯虚函数

Python
	cv.ml.SVMSGD.getSvmsgdType(		) ->	retval

算法类型，是 SVMSGD::SvmsgdType 之一。

另请参阅

setSvmsgdType

getTermCriteria()

virtual TermCriteria cv::ml::SVMSGD::getTermCriteria ( ) const

纯虚函数

Python
	cv.ml.SVMSGD.getTermCriteria(		) ->	retval

训练算法的终止条件。您可以指定最大迭代次数 (maxCount) 和/或在迭代之间误差的变化量以使算法继续（epsilon）。

另请参阅

setTermCriteria

getWeights()

virtual Mat cv::ml::SVMSGD::getWeights ( )

纯虚函数

Python
	cv.ml.SVMSGD.getWeights(		) ->	retval

返回

训练模型（决策函数 f(x) = weights * x + shift）的权重。

load()

static Ptr< SVMSGD > cv::ml::SVMSGD::load ( const String & filepath, const String & nodeName=String() )

static (静态)

Python
	cv.ml.SVMSGD.load(	filepath[, nodeName]	) ->	retval
	cv.ml.SVMSGD_load(	filepath[, nodeName]	) ->	retval

从文件加载并创建一个序列化的 SVMSGD。

使用 SVMSGD::save 将 SVMSGD 序列化并存储到磁盘。通过调用此函数并提供文件路径，可以再次从该文件加载 SVMSGD。可以选择性地指定包含分类器的文件中的节点。

参数

filepath	序列化 SVMSGD 的路径
nodeName	包含分类器的节点名称

setInitialStepSize()

virtual void cv::ml::SVMSGD::setInitialStepSize ( float InitialStepSize )

纯虚函数

Python
	cv.ml.SVMSGD.setInitialStepSize(	InitialStepSize	) ->	None

SVMSGD 优化问题的初始步长参数。

另请参阅

getInitialStepSize

setMarginRegularization()

virtual void cv::ml::SVMSGD::setMarginRegularization ( float marginRegularization )

纯虚函数

Python
	cv.ml.SVMSGD.setMarginRegularization(	marginRegularization	) ->	None

SVMSGD 优化问题的边距正则化参数。

另请参阅

getMarginRegularization

setMarginType()

virtual void cv::ml::SVMSGD::setMarginType ( int marginType )

纯虚函数

Python
	cv.ml.SVMSGD.setMarginType(	marginType	) ->	None

边距类型，是 SVMSGD::MarginType 之一。

另请参阅

getMarginType

setOptimalParameters()

virtual void cv::ml::SVMSGD::setOptimalParameters ( int svmsgdType=SVMSGD::ASGD, int marginType=SVMSGD::SOFT_MARGIN )

纯虚函数

Python
	cv.ml.SVMSGD.setOptimalParameters(	[, svmsgdType[, marginType]]	) ->	None

该函数为选定的 SVM SGD 模型设置最优参数值。

参数

svmsgdType	是 SVMSGD 分类器的类型。
marginType	是边距约束的类型。

setStepDecreasingPower()

virtual void cv::ml::SVMSGD::setStepDecreasingPower ( float stepDecreasingPower )

纯虚函数

Python
	cv.ml.SVMSGD.setStepDecreasingPower(	stepDecreasingPower	) ->	None

SVMSGD 优化问题的步长递减幂参数。

另请参阅

getStepDecreasingPower

setSvmsgdType()

virtual void cv::ml::SVMSGD::setSvmsgdType ( int svmsgdType )

纯虚函数

Python
	cv.ml.SVMSGD.setSvmsgdType(	svmsgdType	) ->	None

算法类型，是 SVMSGD::SvmsgdType 之一。

另请参阅

getSvmsgdType

setTermCriteria()

virtual void cv::ml::SVMSGD::setTermCriteria ( const cv::TermCriteria & val )

纯虚函数

Python
	cv.ml.SVMSGD.setTermCriteria(	val	) ->	None

训练算法的终止条件。您可以指定最大迭代次数 (maxCount) 和/或在迭代之间误差的变化量以使算法继续（epsilon）。

另请参阅

getTermCriteria

---

该类的文档由以下文件生成：

• opencv2/ml.hpp